CN116057586A - 用于标识发射无线电设备的装置和方法 - Google Patents

用于标识发射无线电设备的装置和方法 Download PDF

Info

Publication number
CN116057586A
CN116057586A CN202180056777.8A CN202180056777A CN116057586A CN 116057586 A CN116057586 A CN 116057586A CN 202180056777 A CN202180056777 A CN 202180056777A CN 116057586 A CN116057586 A CN 116057586A
Authority
CN
China
Prior art keywords
radio
video feed
cir
features
transmitting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180056777.8A
Other languages
English (en)
Inventor
D·波佩斯库
J·霍伊迪斯
L·乌兹达·加西亚
V·梅斯奎塔·德·皮尼奥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN116057586A publication Critical patent/CN116057586A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0257—Hybrid positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0252—Radio frequency fingerprinting
    • G01S5/02521—Radio frequency fingerprinting using a radio-map
    • G01S5/02522—The radio-map containing measured values of non-radio values
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0212—Channel estimation of impulse response
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/005—Discovery of network devices, e.g. terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Image Analysis (AREA)
  • Transmitters (AREA)

Abstract

描述了一种用于从视频馈送内的多个无线电设备(106)中标识发射无线电设备的方法和装置。从多个无线电设备(106)接收标识发射无线电设备的至少一个无线电信号。从计算机视觉(CV)(104)系统接收视频馈送，该视频馈送标识CV(104)的视场内的无线电设备(106)。从接收的至少一个无线电信号提取第一组特征，并且从接收的视频馈送提取第二组特征。第一组特征和第二组特征被提供作为机器学习(ML)算法的输入，以获得发射无线电设备与视频馈送中标识的无线电设备(106)之间的关系。

Description

用于标识发射无线电设备的装置和方法
技术领域
各种示例实施例涉及用于标识发射无线电设备的装置和方法。
背景技术
在工业私有网络中，5G无线电系统为工业4.0提供了增强的服务，工业4.0具有可利用的特殊要求。这些要求包括使用无线电设备，这些设备是运营商拥有的设备，主要是机器人和机器。此外，在工业环境(即封闭环境)中，存在大量传感器和摄像头，并且不存在非人类用户的隐私问题。应当指出，工业用户具有感知工业环境的优越能力。5G无线电系统的这种利用促进了无线电设备之间在同一无线电信道上的改进的通信。
在5G无线电系统中，无线电设备标识和定位在工业环境中部署无线电设备时发挥着重要作用。通常，在大多数工业环境中，无线网络用于基于来自无线电设备的无线电传输来跟踪无线电设备。应当注意，无线网络是使用无线电波将信息从一个节点携带到一个或多个接收节点的电信网络。这种通信使用无线电能力来捕获附近的无线电传输。然而，用于跟踪和标识多个无线电设备的无线电能力的这种使用利用了资源需求算法和方法。
此外，图像捕获设备用于在工业环境中跟踪和定位无线电设备。图像捕获设备可以对应于相机、具有图像捕获能力的手持设备、具有网络摄像头的膝上型计算机或任何其他计算机视觉系统、或任何其他的计算机视觉技术。这种计算机视觉技术使用视频或图像识别，并为工业环境中的无线电设备的标识和定位提供视觉证据。此外，此类计算机视觉技术用于增强空间感知，例如预测阻塞、主动切换管理和无线电资源管理。
此外，各种原型实现可以用于通过使用附加信令来标识计算机视觉系统中的无线电设备或用户设备，例如，通过附加闪烁信号(例如通过用于同步的发光二极管(LED)的闪烁或射频标识(RFID)标签)来指示计算机视觉系统。
此外，方法可以用于在握手过程之后在视场和无线电场中跟踪无线电设备，并基于图像捕获设备提供的信息触发移动性鲁棒性优化。这些方法实时工作，使用来自计算机视觉系统的信息来增强无线电，并假设无线电设备已经存在匹配程序。然而，这种方法没有公开无线电系统和计算机视觉系统之间用于标识无线电设备的实际协议。
因此，需要一种用于在工业环境中准确标识无线电和计算机视觉领域中的无线电设备的改进的设备和方法，其解决了上述缺点。
发明内容
本公开通过独立权利要求所涵盖的主题来解决上述目的。在从属权利要求中定义了本发明的优选实施例。
根据本发明的第一方面，提供了一种用于从视频馈送内的多个无线电设备中标识发射无线电设备的装置。该装置可以包括用于从多个无线电设备接收标识发射无线电设备的至少一个无线电信号的部件、用于从计算机视觉(CV)系统接收标识CV系统视场内的无线电设备的视频馈送的部件、用于从接收到的至少一个无线电信号提取第一组特征的部件、以及用于将第一组特征和第二组特征提供为机器学习(ML)算法的输入以获得发射无线电设备与在视频馈送中标识的无线电设备之间的关系的部件。
这为通过机器学习在无线电域和计算机视觉域中标识和匹配无线电设备提供了准确和有效的方法。所获得的无线电域和视频源之间的映射有助于增强多光谱、多感官上下文导航，例如，通过“通用地图”在“镜像世界”概念中实现。
在本发明的一些实施例中，至少一个无线电信号可以包括发射无线电设备的无线电测量，特别是信道脉冲响应(CIR)，装置被配置为通过确定CIR的相位和幅度(magnitude)并且从CIR的幅度确定峰位置和峰值来提取第一组特征。
在本发明的一些实施例中，装置可以被配置为通过优选地使用基于掩码区域的卷积神经网络对视频馈送执行视觉检测来提取第二组特征，以确定针对视频馈送中的每个无线电设备的相应边界框(BBOX)，每个边界框包括标识符(BBOX_ID)。优选地，边界框是视频馈送或视频流中包括设备的区域。
在本发明的一些实施例中，装置可以被配置为周期性地接收无线电信号和视频馈送，在接收周期期间无线电信号以第一频率被接收并且视频馈送以第二频率被接收，特别是第一频率高于第二频率；对接收的无线电信号进行平均以获得经平均的无线电信号，并且使用时间戳将从经平均的无线电信号提取的第一组特征与从视频馈送提取的第二组特征合并，以获得针对ML算法的输入。
获取无线电帧的频率远高于获取视频帧的频率。因此，无线电测量针对与一个视频测量对应的周期而进行平均。两个数据使用时间戳而被合并，两个系统均容易提供时间戳。通过对无线电测量进行平均，实现了同步，并降低了复杂性。
在本发明的一些实施例中，ML算法可以使用具有多个分类树的随机森林分类器(RFC)实现。每个分类树被配置为处理第一组特征和第二组特征的子集。优选地，RFC可以被配置为输出布尔值，该布尔值指示发射无线电设备是否在视频馈送中被标识。备选地，RFC可以被配置为输出标识发射无线电设备属于哪个BBOX_ID的映射或函数。
在本发明的一些实施例中，RFC可以被配置为在视频馈送中的边界框BBOX上输出概率分布，该概率分布指示发射无线电设备是BBOX中标识的无线电设备之一的概率。应当注意，如果不使用ML算法，在多个无线电设备中正确标识发射无线电设备将是不可行的，并因此导致无线电设备的不正确跟踪或标识。
根据本发明的第二方面，提供了一种用于训练机器学习(ML)算法以获得发射无线电设备与在视频馈送中标识的无线电设备之间的关系的装置。该装置可以包括用于执行以下操作的部件：获得多组训练数据，其中多个训练数据的每组训练数据包括：针对发射无线电设备的信道脉冲响应(CIR)和CIR相关数据，其中CIR相关数据包括以下至少一项：CIR相位、CIR幅度、CIR幅度峰的值和索引、以及CIR幅度矢量的均值和标准偏差。多个训练数据的每组训练数据还可以包括多个边界框标识符BBOX_ID，ID＝1，…，N，每个边界框标识符与计算机视觉(CV)系统的视场中的无线电设备对应，以及标签，其指示由BBOX_ID标识的来自多个无线电设备中的哪个无线电设备与发射无线电设备对应。此后，该设备还可以包括用于通过组合对RFC参数值的穷举搜索来训练可训练算法，特别是随机森林分类器(RFC)的装置，以从多组训练数据中获得关于两个对应度量的最佳数目的分类树和最佳最大深度的分类树。
在本发明的一些实施例中，可以使用监督学习以及与至少一个无线电设备相关联的标记数据来训练可训练算法。在一个示例实施例中，可以使用混淆矩阵、精度、召回、F测量和/或分类准确度中的至少一个来验证可训练算法。
在本发明的一些实施例中，该装置可以被配置为通过向CV系统发送第一消息来获得多组训练数据，以指令CV系统开始记录，第一消息包括记录的开始时间，向无线电设备发送第二消息，以请求从无线电设备发送无线电信号帧，第二消息包含要由无线电设备发送的无线电信号帧的配置，从CV系统接收视频馈送，视频馈送标识CV的视场内的无线电设备，并且从发射无线电设备接收至少一个无线电信号帧，并且为每个接收的无线电信号帧存储CIR。应当注意，至少一个无线电信号帧可以周期性地从发送无线电设备接收。无线电信号帧也可以被称为无线电信号。此后，该装置可以被配置为向CV系统和多个无线电设备发送通知，以便停止正在进行的过程。
根据本发明的第三方面，提供了一种用于从视频馈送内的多个无线电设备中标识发射无线电设备的方法。该方法可以包括从多个无线电设备接收标识发射无线电设备的至少一个无线电信号，从计算机视觉(CV)系统接收标识CV系统视场内的无线电设备的视频馈送，从所接收的视频馈送提取第二组特征，并且将第一组特征和第二组特性作为机器学习(ML)算法的输入提供，以获得发射无线电设备与在视频馈送中标识的无线电设备之间的关系。
在本发明的一些实施例中，至少一个无线电信号可以包括无线电测量，特别是发射无线电设备的信道脉冲响应(CIR)，设备被配置为通过确定CIR的相位和幅度，并根据CIR的幅度确定峰位置和峰值，来提取第一组特征。
在本发明的一些实施例中，该方法还可以包括通过例如使用基于掩码区域的卷积神经网络对视频馈送执行视觉检测来提取第二组特征，以确定针对视频馈送中每个无线电设备的相应边界框(BBOX)，每个边界框包括标识符(BBOX_ID)。
应当注意，如果不使用ML算法，在多个无线电设备中正确标识发射无线电设备将是不可行的，并因此导致无线电设备的不正确跟踪或标识。
根据本发明的第四方面，提供了一种用于训练机器学习(ML)算法的方法，该机器学习算法用于确定发射无线电设备与在视频馈送中标识的无线电设备之间的关系。该方法可以包括获得多组训练数据，以及CIR幅度矢量的均值和标准偏差。多个训练数据的每个集合还可以包括多个边界框标识符BBOX_ID，ID＝1，…，N，每个边界框标识符对应于计算机视觉(CV)系统的视场中的无线电设备，以及指示由BBOX_ID标识的多个无线电设备中的哪个无线电设备对应于发射无线电设备的标签。此后，该方法可以包括通过组合对RFC参数值的穷举搜索来训练可训练算法，特别是随机森林分类器(RFC)，以从多组训练数据中获得关于两个对应度量的最佳数量的分类树和最佳最大深度的分类树。
在本发明的一些实施例中，可以使用监督学习以及与至少一个无线电设备相关联的标记数据来训练可训练算法。优选地，可以使用混淆矩阵、精度、召回、F测量和/或分类准确度中的至少一个来验证可训练算法。这种验证可以有助于保持对可训练算法的准确性的检查，并因此导致改进视频馈送内的发射无线电设备的标识和跟踪。
根据第五方面，提供了一种用于标识来自视频馈送内的多个无线电设备的发射无线电设备的系统。该系统可以包括至少一个无线电接入点AP、多个无线电设备和至少一个计算机视觉(CV)系统，其中至少一个无线电AP可以被配置为从多个无线电设备接收标识发射无线电设备的至少一个无线电信号，从CV系统接收视频馈送，该视频馈送标识CV系统视场内的无线电设备，从接收的至少一个无线电信号提取第一组特征，从接收的视频馈送提取第二组特征，以及将第一组特征和第二组特征提供给机器学习(ML)算法，以获得发射无线电设备与在视频馈送中标识的无线电设备之间的关系。
根据本发明的第六方面，提供了一种非瞬态计算机可读介质，包括用于使处理器执行包括从视频馈送内的多个无线电设备标识发射无线电设备的功能的指令。非瞬态计算机可读介质可以包括用于使处理器执行以下功能的指令：从多个无线电设备接收标识发射无线电设备的至少一个无线电信号、从计算机视觉(CV)系统接收视频馈送，该视频馈送标识CV系统的视场内的无线电设备、从接收的至少一个无线电信号提取第一组特征，从接收的视频馈送提取第二组特征，并且将第一组特征和第二组特性提供为机器学习(ML)算法的输入，以获得发射无线电设备与视频馈送中标识的无线电设备之间的关系。
总之，在此描述的实施例提供了几个优点。特别地，
-允许从视频馈送内的多个无线电设备中标识发射无线电设备，而无需额外标记(例如信号或标签)，其将需要额外的资源并且具有较差的安全性。
-允许将无线电签名分配给无线电设备的视觉实例。
-所获得的无线电域和视频源之间的映射有助于增强多光谱、多感官上下文导航，例如，通过“通用地图”在“镜像世界”概念中实现。
-所获得的发射无线电设备和视觉地标识的无线电设备之间的映射可以有助于增强未来移动性鲁棒性优化(MRO)和自优化网络(SON)。特别地，所公开的实施例可以用作用于波束切换和/或移动性过程的细化/辅助技术，例如，用于辅助选择无线电设备或用户设备(UE)面板，以及用于检测大型工业区域中存在到一个或多个TRP的视线(LOS)的区域，
即使在没有详细的数字表面模型的情况下也是如此。
为了实现上述和相关目的，一个或多个方面包括以下在权利要求中充分描述和特别指出的特征。以下描述和附图详细阐述了特定说明性方面，并且仅指示了可以采用这些方面的原理的各种方式中的一些。当结合附图考虑时，其他优点和新颖特征将从以下详细描述中变得明显，并且所公开的方面旨在包括这些方面及其等同物。
附图说明
本示例性实施例的其他实施例、细节、优点和修改将从以下将结合附图进行的实施例的详细描述中变得明显，其中：
图1示出了根据本文描述的主题的示例实施例的示出用于从视频馈送内的多个无线电设备标识发射无线电设备的系统的网络小区图。
图2示出了根据本文描述的主题的示例实施例的示出高级系统架构的框图。
图3示出了根据本文描述的主题的示例实施例的示出用于利用机器学习(ML)算法从视频馈送内的多个无线电设备标识发射无线电设备的详细系统架构的框图。
图4示出了根据本文描述的主题的示例实施例的示出分类器输入实例的框图。
图5示出了根据本文描述的主题的示例实施例的示出用于从视频馈送内的多个无线电设备中标识发射无线电设备的方法的流程图。
图6示出了根据本文描述的主题的示例实施例的示出用于训练相位的系统架构的框图。
图7示出了根据本文描述的主题的示例实施例的示出用于获得多组训练数据的方法的流程图。
图8示出了根据本文描述的主题的示例实施例的示出用于训练可训练算法(特别是随机森林分类器(RFC))的方法的流程图。
图9示出了根据本文描述的主题的另一示例实施例的框图，该框图示出用于在实现相位期间利用可训练算法(特别是RFC)从视频馈送内的多个无线电设备中标识发射无线电设备的系统架构。
图10示出了根据本文描述的主题的示例实施例的示出用于获得多组训练数据的方法的信令图。
图11A和图11B示出了根据本文描述的主题的示例实施例的示出未经归一化的混淆矩阵和归一化的混淆矩阵之间在真实标签和预测标签方面的比较的图。
图12A和图12B示出了根据本文描述的主题的另一示例实施例的示出未经归一化的混淆矩阵和归一化的混淆矩阵之间在真实标签和预测标签方面的比较的图。
图13A和图13B示出了根据本文描述的主题的另一示例性实施例的示出未经归一化的混淆矩阵和归一化的混淆矩阵之间在真实标签和预测标签方面的比较的图。
图14示出了根据本文描述的主题的一个示例实施例的示出装置的一个或多个组件的框图。
具体实施方式
现在将详细讨论说明其特征的本公开的一些实施例。词语“具有”、“包含”和“包括”及其其他形式的含义相同，并且是开放式的，因为这些词语中的任何一个之后的一个或多个项目并不意味着该项目的详尽列表，也不意味着仅限于所列项目。
还应注意，如本文和所附权利要求中所使用的，单数形式“一”、“一个”和“所述”包括复数引用，除非上下文另有明确规定。尽管可以在本公开的实施例的实践或测试中使用与本文中描述的设备和方法类似或等效的任何设备和方法，但是现在描述设备和方法。
以下将参考附图更充分地描述本公开的实施例，其中在若干附图中相同的数字表示相同的元件，并且其中示出了示例性实施例。然而，权利要求的实施例可以以许多不同的形式体现，并且不应被解释为局限于本文所阐述的实施例。这里阐述的示例是非限制性示例，并且仅是其他可能示例中的示例。
通过参考附图的图1至图14来理解本公开的示例性实施例及其潜在优点，相同的数字用于各种附图的相同和对应的部分。
图1示出了根据示例实施例的用于从视频馈送内的多个无线电设备中标识发射无线电设备的系统100的框图。系统100可以包括至少一个无线电接入点(AP)102、计算机视觉(CV)系统104和多个无线电设备106-1、…106-N。在下文中，至少一个无线接入点(AP)102可以被称为无线电AP 102。在下文中，多个无线电设备106-1、…106-N可以被称为106。多个无线电设备106可以包括第一无线电设备106-1，作为第二无线电设备106-2、…第N无线电设备106-N。
无线电AP 102可以是允许其他无线使能设备连接到有线网络的任何联网硬件设备。此外，无线电AP 102可以被配置为从多个无线电设备106中标识发射无线电设备。应当注意，无线电AP 102可以用于确定工业专用网络中的多个无线电设备106的位置或方位。无线电AP 102的示例可以包括但不限于移动站(MS)、接入终端、基站、通用软件无线电外围设备(USRP)、无线保真(Wi-Fi)接入点、eNodeB(eNB)或无线电站。应当注意，在不脱离本公开的范围的情况下，仅出于说明的目的提供了无线电AP 102的上述示例。
CV系统104可以被配置为在CV系统104的视场内从多个无线电设备106中标识发射无线电设备。CV系统104的视场可以基于CV系统104中的硬件配置(例如，使用的相机的孔径、使用的相机数目或其他参数)。此外，CV系统104可以用于视觉地跟踪工业私有网络中的多个无线电设备106。应当注意，视觉跟踪本质上可以是实时的，或者可以是周期性的。在一个示例实施例中，所捕获的视频馈送可以存储在服务器(未示出)中。在另一示例实施例中，CV系统104可以包括用于存储捕获的视频馈送的存储器(未示出)。在一个示例实施例中，CV系统104可以对应于如图1所示的膝上型计算机。应当注意，CV系统104可以是能够处理所捕获的视频馈送的智能系统。在另一示例实施例中，CV系统104可以是被动系统，依赖于另一系统来处理所捕获的视频馈送。CV系统104的示例可以包括但不限于图像捕获设备，如连接到计算机设备的网络摄像头、视频记录设备、相机或个人数字助理(PDA)或膝上型计算机。
此外，CV系统104可以包括输入接口或输出接口，如显示屏、触摸屏、天线和/或麦克风。在一个示例实施例中，触摸屏可以对应于电阻触摸屏、电容触摸屏或热触摸屏中的至少一个。应当注意，在不脱离本公开的范围的情况下，CV系统104的上述示例仅用于说明目的。
出于通信目的，多个无线电设备106中的每个无线电设备可以包括至少一个收发机。在一个示例实施例中，可以确定CV系统104的视场内的多个无线电设备106的置信水平。在一个示例实施例中，多个无线电设备106对应于如图1所示的智能电话。应当注意，无线电设备106可以是不同类型的，并且多个无线电设备106的示例可以包括但不限于用户设备(UE)、操作员拥有的设备(如机器人)、机器(如计算机)、电话、台式机、个人数字助理(PDA)、手持无线电设备或膝上型计算机。此外，多个无线电设备106中的每一个无线电设备可以包括输入接口或输出接口，如显示屏、触摸屏、天线和/或麦克风。在一个示例实施例中，触摸屏可以对应于电阻触摸屏、电容触摸屏或热触摸屏中的至少一个。对于本领域技术人员来说，显而易见的是，在不脱离本公开的范围的情况下，提供了多个无线电设备106的上述示例仅用于说明目的。
此外，多个无线电设备106中的每一个无线电设备可以经由通信网络(未示出)与无线电AP 102和CV系统104通信。通信网络可以使用至少一种通信技术来实现，这些通信技术可从可见光通信(VLC)、微波接入全球互操作性(WiMAX)、长期演进(LTE)、无线局域网(WLAN)、红外(IR)通信、公共交换电话网(PSTN)、无线电波和任何其他有线和/或无线通信技术中选择，但不限于此。
对于本领域技术人员来说很明显的是，系统100的上述部件仅用于说明目的。在一个示例实施例中，在不脱离本公开的范围的情况下，系统100还可以包括多个无线电AP和多个CV系统。
图2示出了根据示例实施例的示出高级系统架构200的框图。参考图2，系统架构200可以包括无线电AP 102、CV系统104和多个无线电设备106。此外，系统架构200可以包括数据收集模块202、特征提取模块204、分类器模块206、预测模块208和无线电设备关联模块210。应当注意，无线电设备关联模块210也可以被称为用户设备(UE)关联模块210。
首先，可以在无线电AP 102和CV系统104之间建立通信接口。应当注意，可以执行握手过程以建立通信接口并在无线电AP 102和CV系统104之间交换功能参数。接着，数据收集模块202可以从多个无线电设备106接收标识发射无线电设备的至少一个无线电信号。在一个示例实施例中，发射无线电设备可以是多个无线电设备106中的一个。在下文中，无线电信号和无线电信号帧可以互换使用。在一个示例实施例中，至少一个无线电信号可以包括无线电测量，特别是发射无线电设备的信道脉冲响应(CIR)。此外，数据收集模块202可以接收标识CV系统104的视场内的无线电设备106的视频馈送。应当注意，无线电设备106可以在视频馈送中通过标识符被标识。在一个示例实施例中，如图2所示，第一无线电设备可以由106-1表示、第二无线电设备由106-2表示、…第N无线电设备由106-N表示。
接着，所接收的至少一个无线电信号和视频馈送可以被馈送到特征提取模块204。特征提取模块204可以从接收到的至少一个无线电信号提取第一组特征。可以通过确定CIR的相位和CIR的幅度来提取第一组特征。此外，可以根据CIR的幅度来确定峰位置和峰值。此外，特征提取模块204可以从接收的视频馈送提取第二组特征。可以通过对视频馈送执行视觉检测来提取第二组特征，优选地使用基于掩码区域的卷积神经网络，以确定针对视频馈送中的每个无线电设备106的相应边界框(BBOX)(由图2中的虚线框示出)。应当注意，每个边界框可以包括标识符(BBOX_ID)。
提取的第一组特征和第二组特征可以作为输入提供给分类器模块206。分类器模块206可以被配置为利用机器学习(ML)算法来获得发射无线电设备和视频馈送中标识的无线电设备106之间的关系。在一个示例实施例中，可以使用具有多个分类树的随机森林分类器(RFC)来实现ML算法。每个分类树可以被配置为处理第一组特征的子集和第二组特征的子集。在一个示例实施例中，RFC可以被配置为提供作为布尔值的输出，该布尔值指示在视频馈送中是否标识了发射无线电设备。在另一示例实施例中，RFC可以被配置为在视频馈送中的BBOX上输出概率分布，其指示发射无线电设备是BBOX中标识的无线电设备106之一的概率。
接着，分类器模块206的输出可以用于预测模块208，用于陈述RFC预测。应当注意，预测模块208也可以被称为RFC输出模块。在一个示例实施例中，对于N个分类树，可以使用N个预测来建立RFC预测。此后，无线电设备关联模块210可以被配置为至少基于由预测模块208提供的预测来提供发射无线电设备和在视频馈送中标识的无线电设备106之间的关联或关系。在不使用附加标记(例如，信号、标签等)的情况下，从视频馈送内的多个无线电设备106中标识发射无线电设备可导致提高安全性并消除管理附加标记所需的附加努力。
应当注意，用于无线电设备106标识的ML算法可以在无线电AP 102处实现，即在无线电AP侧的ML(如212所示)。在另一示例实施例中，用于无线电设备106标识的ML算法也可以在CV系统104处实现，而不脱离本公开的范围。
图3示出了根据示例实施例的框图，其示出用于利用ML算法从视频馈送内的多个无线电设备106中标识发射无线电设备的详细系统架构300。结合图2来描述图3。
如上所述，可以在无线电AP 102和CV系统104之间建立通信接口。应当注意，可以执行握手过程以在无线电AP 102和CV系统104之间建立通信接口并交换功能参数。参考图3，数据收集模块202可以从多个无线电设备106接收标识发射无线电设备的至少一个无线电信号。在一个示例性实施例中，至少一个无线电信号可以包括无线电测量，如图3所示，特别是发射无线电设备的信道脉冲响应(CIR)(由302示出)。应当注意，可以从单个发射无线电设备接收无线电信号帧。此外，数据收集模块202可以接收标识CV系统104的视场内的无线电设备106的视频馈送。在一个示例实施例中，可以从CV系统104接收视频馈送。在一个示例性实施例中，可以通过标识符在视频馈送中标识无线电设备106。此外，视频馈送可以包括与CV系统104的视场内的多个无线电设备106中的每一个相关联的BBOX(由304示出)相关的信息。应当注意，对于多个无线电设备106，位置可以通过空间变化。
应当注意，可以以不同的周期性同时获取从视频馈送和至少一个无线电信号收集的数据。在一个示例实施例中，可以使用时间戳作为唯一标识符，以匹配从视频馈送和无线电信号收集的数据，并生成具有CIR(由302示出)和BBOX(由304示出)的统一结构。接着，所接收的至少一个无线电信号和视频馈送可以被馈送到特征提取模块204。特征提取模块204可以从接收到的至少一个无线电信号提取第一组特征。可以通过确定CIR的相位(由306示出)和CIR的幅度(由308示出)来提取第一组特征。此外，CIR的幅度可以用于确定峰位置(由310示出)和峰值(由312示出)。在一个示例实施例中，时间戳信息与提取的第一组特征相关联。
此外，特征提取模块204可以从接收的视频馈送提取第二组特征。可以通过对视频馈送执行视觉检测来提取第二组特征，以确定针对视频馈送中每个无线电设备106的相应边界框BBOX。应当注意，每个边界框可以包括标识符BBOX_ID(由314示出)。在一个示例实施例中，时间戳信息与提取的第二组特征相关联。在一个示例实施例中，可以通过微调Detectron2框架中可用的基于掩码区域的卷积神经网络(R-CNN)来执行视觉检测，以确定针对视频馈送中每个无线电设备106的相应边界框BBOX。应该注意的是，Detectron2是FACEBOOKTM人工智能研究(FAIR)的下一代软件系统，它实现了最先进的目标检测算法。
在一个示例实施例中，通用软件无线电外围设备(USRP)分割模型可以从R101-FPN掩码R-CNN模型中训练，该模型在上下文中的公共对象(COCO)数据集上被预训练，该数据集在Detectron2中可用。对于本领域技术人员来说明显的是，上述Detectron2框架仅用于说明目的。在一个示例实施例中，在不脱离本公开的范围的情况下，一些其他框架可以用于视觉检测。
在一个示例实施例中，可以周期性地接收无线电信号和视频馈送。可以用第一频率接收无线电信号，并且可以用第二频率接收视频馈送。特别地，第一频率可以高于第二频率，这意味着无线电信号比视频馈送更频繁地被接收。如表1所示，无线电信号的每个接收都有时间戳，视频馈送的每个接收分别如表2所示。对于无线电信号，每个实例的CIR值与该实例的时间戳相关联。例如，CIR 1在时间戳1处，CIR 2在时间戳2处，依此类推。
Figure BDA0004113382270000151
表1
应当注意，第二组特征和与从视频馈送中提取的每个BBOX对应的时间戳信息相关联。
Figure BDA0004113382270000152
表2
应当注意，第一周期可以低于第二周期。接着，可以对在第二周期期间接收的无线电信号进行平均，以获得平均无线电信号。无线电测量的这种平均化导致降低了复杂性并消除了与同步相关的问题。此后，可以使用时间戳将从平均无线电信号提取的第一组特征与从视频馈送提取的第二组特征合并，以获得ML算法的输入。备选地，应当注意，无线电帧的获取的频率可以高于视频帧的获取的频率。此外，可以在与一个视频测量对应的周期内对无线电测量进行平均。此后，可以使用时间戳来合并两组特征，这可以由无线电AP 102和CV系统104容易地提供。
接下来，ML算法可以使用随机森林分类器(RFC)来实现。应当注意，RFC可以是使用多个分类树的集成学习算法。每个分类树可以被配置为处理第一组特征和第二组特征的子集。在一个示例实施例中，N个分类树用于陈述N个预测，N个预测又用于建立RFC预测。接下来，RFC可以被配置为输出布尔值，该布尔值指示在视频馈送中是否标识了发射无线电设备。接下来，RFC的输出可以用于RFC输出模块208，用于陈述RFC预测。此后，无线电设备关联模块210可以被配置为提供发射无线电设备和视频馈送中标识的无线电设备106之间的关联或关系。
对于本领域技术人员来说，上述RFC仅用于说明目的是显而易见的。在一个示例实施例中，在不脱离本公开范围的情况下，还可以使用神经网络。
图4示出了根据示例实施例的分类器输入实例400的框图。
分类器输入实例400可以包括用于发射无线电设备的信道脉冲响应CIR(由402示出)和CIR相关数据(由404示出)。CIR相关数据(由404示出)可以包括CIR相位、CIR幅度、CIR幅度峰的值和索引、CIR值矢量的均值和CIR值矢量的标准偏差中的至少一个。此外，分类器输入实例400可以包括多个边界框标识符BBOX_ID，ID＝1，…，N。应当注意，每个边界框标识符可以对应于CV系统104的视场中的无线电设备106。例如，BBOX 1(由406示出)可以对应于无线电设备106-1，BBOX 2(由408示出)可对应于无线电设备106-2。此外，标签(由410示出)可以指示由BBOX_ID标识的多个无线电设备106中的哪个无线电设备106对应于发射无线电设备。在一个示例性实施例中，例如，对于训练中的两个无线电设备106-1和106-2，标签X可以具有值0、1或2，其中X＝0表示没有无线电设备106正在发射，X＝1表示与BBOX 1相关联的无线电设备106-2正在发射，而X＝2表示与BBOX 2相关联的无线电设备106-2在发射。应注意，在不脱离本公开的范围的情况下，提供上述示例仅用于说明目的。
图5示出了根据示例性实施例的流程图500，其示出用于从视频馈送内的多个无线电设备106中标识发射无线电设备的方法。结合图2、图3和图4来描述图5。
首先，在步骤502，可以接收标识发射无线电设备的至少一个无线电信号。在一个示例实施例中，无线电AP 102可以从多个无线电设备106接收标识发射无线电设备的至少一个无线电信号。至少一个无线电信号可以包括无线电测量，特别是发射无线电设备的信道脉冲响应(CIR)。接着，在步骤504，可以接收标识CV系统104的视场内的无线电设备106的视频馈送。在一个示例实施例中，无线电AP 102可以从CV系统104接收标识CV系统104的视场内的无线电设备106的视频馈送。应当注意，视频馈送中的无线电设备106可以由标识符来标识。此外，从视频馈送收集的数据可以包含与CV系统104的视场内的多个无线电设备106中的每一个无线电设备相关联的BBOX相关的信息。应当注意，可以以不同的周期性同时接收从视频馈送和至少一个无线电信号收集的数据。
接着，在步骤506，可以从接收的至少一个无线电信号提取第一组特征。在一个示例实施例中，无线电AP 102可以从接收到的至少一个无线电信号提取第一组特征。可以通过确定CIR的相位和CIR的幅度来提取第一组特征。此外，可以使用CIR的幅度来确定峰位置和峰值。在一个示例实施例中，时间戳信息与提取的第一组特征相关联。接下来，在步骤508，可以从接收的视频馈送提取第二组特征。在一个示例实施例中，无线电AP 102可以从接收的视频馈送提取第二组特征。可以通过对视频馈送执行视觉检测来提取第二组特征，以确定针对视频馈送中每个无线电设备106的相应边界框(BBOX)。应当注意，每个边界框可以包括标识符(BBOX_ID)。在一个示例实施例中，时间戳信息与提取的第二组特征相关联。
在一个示例实施例中，可以通过微调Detectron2框架中可用的基于掩码区域的卷积神经网络(R-CNN)来执行视觉检测，以确定针对视频馈送中每个无线电设备106的相应边界框BBOX。应该注意的是，Detectron2是FACEBOOKTM人工智能研究(FAIR)的下一代软件系统，它实现了最先进的目标检测算法。在一个示例实施例中，通用软件无线电外围设备(USRP)分割模型可以从R101-FPN掩码R-CNN模型中训练，该模型在上下文中的公共对象(COCO)数据集上被预训练，该数据集在Detectron2中可用。对于本领域技术人员来说明显的是，上述Detectron2框架仅用于说明目的。在一个示例实施例中，在不脱离本公开的范围的情况下，一些其他框架可以用于视觉检测。
在一个示例实施例中，无线电AP 102可以周期性地接收无线电信号和视频馈送。在接收周期期间，可以用第一频率接收无线电信号，并且可以用第二频率接收视频馈送。特别地，第一频率可以高于第二频率。无线电AP 102可以对在接收周期期间接收的无线电信号进行平均，以获得经平均的无线电信号。此后，无线电AP 102可以使用时间戳将从经平均的无线电信号提取的第一组特征与从视频馈送提取的第二组特征合并，以获得机器学习(ML)算法的输入。
此后，在步骤510，可以将第一组特征和第二组特征提供为ML算法的输入，以获得在视频馈送中标识的发射无线电设备和无线电设备106之间的关系。ML算法可以使用具有多个分类树的随机森林分类器RFC来实现。每个分类树被配置为处理第一组特征和第二组特征的子集。在一个示例实施例中，RFC可以被配置为输出布尔值，该布尔值指示在视频馈送中是否标识了发射无线电设备。在另一示例实施例中，RFC可以被配置为在视频馈送中的边界框(BBOX)上输出概率分布，其指示发射无线电设备是BBOX中标识的无线电设备106之一的概率。例如，发射无线电设备是{UE1，UE2，UE3}，并且视频馈送是{A，B}，则概率p(UE1＝A)可以等于90％，而概率p(UE2＝B)可以等于10％。
这样使用机器学习(ML)算法来获得发射无线电设备和视频馈送中标识的无线电设备106之间的关系，有助于实现“通用地图”，即“镜像世界”的多光谱、多感官上下文导航。此外，在不使用附加标记(即，信号、标签等)的情况下，从视频馈送内的多个无线电设备106中标识发射无线电设备可导致消除管理附加标记所需的附加努力。此外，使用所公开的方法标识无线电设备106提供了改进的安全性。对于本领域技术人员来说显而易见的是，上述RFC仅用于说明目的。在一个示例实施例中，在不脱离本公开的范围的情况下，也可以使用具有机器学习能力的一些其他分类器。
图6示出了根据示例实施例的用于训练相位的系统架构600。结合图2、图3、图4和图5来描述图6。系统架构600可以包括第一无线电设备106-1和第二无线电设备106-2。
首先，无线电AP 102可以从第一无线电设备106-1接收无线电信号，特别是信道脉冲响应(CIR)(由602示出)。此外，第一无线电设备106-1和第二无线电设备106-2可以由CV系统104在视频馈送中标识。接着，所接收的无线电信号和视频馈送可以被馈送到特征提取模块204。特征提取模块204可以从接收到的至少一个无线电信号提取第一组特征。可以通过确定CIR的相位(由604示出)和CIR的幅度(由606示出)来提取第一组特征。此外，CIR的幅度(由606示出)可以用于确定峰位置(由608示出的)和峰值(由610示出)。此外，特征提取模块204可以从接收的视频馈送提取第二组特征。
如上所述，可以通过对视频馈送执行视觉检测来提取第二组特征，以确定针对视频馈送中每个无线电设备106的相应边界框BBOX。应当注意，每个边界框包括图6所示的标识符BBOX_ID。例如，BBOX 1(由612示出)可以对应于第一无线电设备106-1，BBOX 2(由614示出)可以对应于第二无线电设备106-2。每个边界框(即BBOX 1(由612表示)和BBOX 2(由614表示))可以包括标识符BBOX_ID。如上所述，可以通过微调Detectron2框架中可用的基于掩码区域的卷积神经网络(R-CNN)来执行视觉检测，以确定视频馈送中每个无线电设备106的相应边界框BBOX。
接着，提取的第一组特征和第二组特征可以作为输入提供给分类器模块206。在一个示例实施例中，分类器模块206可以具有RFC，该RFC可以被训练用于标识来自多个无线电设备106的发射无线电设备。应当注意，可以在无线电AP 102处执行RFC的训练。在一个示例实施例中，无线电AP 102可以获得多组训练数据。可以通过向CV系统104发送第一消息以指令CV系统104开始记录来获得多组训练数据。应当注意，第一消息可以包括记录的开始时间。接着，第二消息可以被发送到无线电设备106，以请求来自无线电设备106的无线电信号帧的传输。应当注意，第二消息可以包含要由无线电设备106发射的无线电信号帧的配置。接着，可以从CV系统104接收标识CV系统104的视场内的无线电设备106的视频馈送。此后，可以从发射无线电设备接收至少一个无线电信号帧。在一个示例实施例中，无线电AP 102可以为每个接收的无线电信号帧确定并存储信道脉冲响应CIR。
在一个示例实施例中，多个训练数据的每个组可以包括用于发射无线电设备的CIR和CIR相关数据。在一个示例实施例中，发射无线电设备可以对应于第一无线电设备106-1。CIR相关数据可以包括CIR相位、CIR幅度、CIR幅度峰的值和索引以及CIR幅度矢量的均值和标准偏差中的至少一个。此外，多个训练数据的每个组可以包括多个边界框标识符BBOX_ID，ID＝1，…，N。每个边界框标识符可以与在CV系统104的视场内标识的无线电设备106对应。此外，多个训练数据的每个组可以包括标签(由616示出)，该标签指示由BBOX_ID标识的多个无线电设备106中的哪个无线电设备106对应于发射无线电设备。应当注意，在训练相位期间，具有标签(由616示出)的RFC可以提供正确的发射无线电设备和对发射无线电设备与视频馈送中标识的无线电设备106之间的关系的准确标识。
接着，可训练算法(特别是RFC)可以通过组合对RFC参数值的穷举搜索被训练，以从多组训练数据中获得关于两个对应度量的最佳数目的分类树和最佳最大深度的分类树。在一个示例实施例中，可训练算法可以使用监督学习以及与至少一个无线电设备106相关联的标记数据被训练。接下来，RFC可以被配置为输出布尔值，该布尔值指示在视频馈送中是否标识了发射无线电设备。在一个示例实施例中，RFC预测的输出可以是决定性的，即，对于发射无线电设备的类型为“0”或“1”。在另一示例实施例中，RFC可以被配置为在视频馈送中的BBOX上输出概率分布，其指示发射无线电设备是BBOX中标识的无线电设备106之一的概率。
接下来，RFC的输出可以用于RFC输出模块208，用于陈述RFC预测。在一个示例实施例中，对于N个分类树，可以使用N个预测来建立RFC预测。此后，无线电设备关联模块210可以被配置为使用可训练算法来提供发射无线电设备和视频馈送中标识的无线电设备106之间的关联。应当注意，RFC输出模块208和无线电设备关联模块210可以共同用于可训练算法的验证。
在一个示例实施例中，可以使用混淆矩阵、精度、召回、F测量和/或分类准确度中的至少一个来验证可训练算法。在一个示例实施例中，训练数据可以表示数据总量的80％，而验证可以表示20％。在一个示例实施例中，训练相位可以使用10倍交叉验证过程。此外，可以在每次迭代中使用两个不同的度量，即对数损失和F1分数。应当注意，可以选择最佳模型，并将其用于模型验证、混淆矩阵的计算、精度、召回、F1分数和分类准确度。在一个示例实施例中，混淆矩阵(即误差矩阵)可以是允许算法(通常是监督学习模型)的性能视觉化的特定表布局。此外，矩阵的每一行可以表示预测类中的实例，而每一列表示实际类中的示例(反之亦然)。应该注意的是，名称可以很容易地检查系统是否混淆了两个类或将一个类错误地标记为另一个类。
在一个示例实施例中，精度可以与分类器不将阴性样本标记为阳性的能力对应。在一个示例实施例中，召回可以表示分类器找到所有阳性样本的能力。在一个示例实施例中，F测量(Fβ和F1)可以被解释为精度和召回的加权谐波均值。需要注意的是，Fβ测量在1处达到最佳值，在0处达到最差值。在一个示例实施例中，当β＝1时，Fβ和F1是等效的。应当注意，可训练算法的验证可以有助于保持对可训练算法(即RFC)的准确性的检查，并因此导致改进对发射无线电设备的跟踪。在不使用可训练算法的情况下，从视频馈送内的多个无线电设备106中标识发射无线电设备将是不可行的。
图7示出了根据示例实施例的示出用于获得多组训练数据的方法的流程图700。结合图2、图3、图4、图5和图6来描述图7。
首先，无线电AP 102可以通过发送专用信令和定制信息元素来触发数据收集过程。接下来，在步骤702，可以向CV系统104发送第一消息，以指令CV系统104开始记录。在一个示例实施例中，无线电AP102可以向CV系统104发送第一消息，以指令CV系统104开始记录。应当注意，第一消息可以包括记录的开始时间。接下来，在步骤704，可以向无线电设备106发送第二消息以请求来自无线电设备106的无线电信号帧的传输。在一个示例实施例中，无线电AP 102可以向无线电设备106发送第二消息，以请求来自无线电设备106的无线电信号帧的传输。无线电信号帧可以被称为无线电信号或帧。应当注意，第二消息可以包含要由无线电设备106发射的无线电信号帧的配置。接下来，在步骤706，可以接收标识CV系统104的视场内的无线电设备106的视频馈送。在一个示例实施例中，无线电AP 102可以从CV系统104接收标识CV系统104的视场内的无线电设备106的视频馈送。
接下来，在步骤708，可以从发射无线电设备接收至少一个无线电信号帧。在一个示例实施例中，无线电AP 102可以从发射无线电设备接收至少一个无线电信号帧。接下来，在步骤710，无线电AP 102可以为每个接收的无线电信号帧确定并存储信道脉冲响应CIRCIR。此后，无线电AP 102可以向CV系统104和无线电设备106发送停止通知，以停止正在进行的过程。
在一个示例实施例中，数据收集过程可以在一个或多个非穷尽场景(例如当新的无线电设备被添加到系统100时)中被触发。应当注意，无线电AP 102可以知道无线电设备类型，并且可以存储为每种类型的无线电设备106收集的数据。在另一示例实施例中，当观察到工业环境的变化时，可以触发数据收集过程，然后可以改变视频域和无线电域。视频域和无线电域中的改变可以通过从CV系统104发送的通知被用信号通知给无线电AP 102。在另一示例实施例中，当执行可能影响CIR的无线电传输的改变时，可以触发数据收集过程。应注意，数据收集程序的触发仅用于说明目的。在一个示例实施例中，在不脱离本公开的范围的情况下，还可以使用用于触发数据收集过程的一些其他非穷尽场景。
图8示出了根据示例实施例的示出用于训练可训练算法(特别是随机森林分类器(RFC))的方法的流程图800。结合图2、图3、图4、图5、图6和图7来描述图8。
首先，在步骤802，可以获得多组训练数据。在一个示例实施例中，无线电AP 102可以获得多组训练数据。如上所述，可以触发数据收集过程以获得多组训练数据。多个训练数据的每个组可以包括用于发射无线电设备的CIR和CIR相关数据。CIR相关数据可以包括CIR相位、CIR幅度、CIR幅度峰的值和索引以及CIR幅度矢量的均值和标准偏差中的至少一个。此外，多个训练数据的每个组可以包括多个边界框标识符BBOX_ID，ID＝1，…，N。每个边界框标识符可以与在CV系统104的视场内标识的无线电设备106对应。此外，多个训练数据中的每组可以包括标签，该标签指示由BBOX_ID标识的多个无线电设备106中的哪个无线电设备106对应于发射无线电设备。应当注意，在训练相位期间，具有标签的RFC可以提供正确的发射无线电设备和对发射无线电设备与视频馈送中标识的无线电设备106之间的关系的准确标识。
接下来，在步骤804，可以训练可训练算法，特别是RFC。在一个示例实施例中，无线电AP 102可以通过组合对RFC参数值的穷举搜索来训练可训练算法，以从多组训练数据中获得关于两个对应度量的最佳数量的分类树和最佳最大深度的分类树。在一个示例实施例中，可训练算法可以使用监督学习以及与至少一个无线电设备相关联的标记数据被训练。对于本领域的技术人员来说明显的是，在不脱离本公开的范围的情况下，提供了用于训练可训练算法的上述方法仅用于说明目的。
图9示出了根据示例实施例的系统架构900的框图，该系统架构900用于在实现相位期间利用可训练算法(特别是RFC)，用于从视频馈送内的多个无线电设备106中标识发射无线电设备。结合图2、图3、图4、图5、图6、图7和图8来描述图9。应当注意，训练的RFC可以在实现相位期间或者在专用接口上部署系统时被馈送到CV系统104，用于标识发射无线电设备。
首先，无线电AP 102可以从第一无线电设备106-1接收无线电信号，特别是信道脉冲响应(CIR)(由902示出)。此外，第一无线电设备106-1和第二无线电设备106-2可以由CV系统104在视频馈送中标识。接下来，所接收的无线电信号和视频馈送可以被馈送到特征提取模块204。特征提取模块204可以从接收到的至少一个无线电信号提取第一组特征。可以通过确定CIR的相位(由904示出)和CIR的幅度(由906示出)来提取第一组特征。此外，CIR的幅度(由906示出)可以用于确定峰位置(由908示出)和峰值(由910示出。此外，特征提取模块204可以从接收的视频馈送提取第二组特征。
如上所述，可以通过对视频馈送执行视觉检测来提取第二组特征，以确定视频馈送中每个无线电设备106的相应边界框BBOX。应当注意，每个边界框包括图6所示的标识符BBOX_ID。例如，BBOX 1(由912示出)可以对应于第一无线电设备106-1，并且BBOX 2(由914示出)可以对应于第二无线电设备106-2。每个边界框，即BBOX 1(由912表示)和BBOX 2(由914表示)可以包括标识符BBOX_ID。如上所述，可以通过微调Detectron2框架中可用的基于掩码区域的卷积神经网络(R-CNN)来执行视觉检测，以确定视频馈送中的每个无线电设备106的相应边界框BBOX。
接下来，提取的第一组特征和第二组特征可以被提供作为对分类器模块206的输入。在实现相位中，分类器模块206可以包括用于标识发射无线电设备的训练RFC。在一个示例实施例中，发射无线电设备可以是多个无线电设备106中的一个。此外，在实现相位期间，可能不需要标签(由916示出)作为训练RFC的输入。如上所述，可以通过组合对RFC参数值的穷举搜索来训练RFC，以从多组训练数据中获得关于两个对应度量的最佳数目的分类树和最佳最大深度的分类树。在一个示例实施例中，可训练算法可以使用监督学习以及与至少一个无线电设备106相关联的标记数据被训练。
接下来，RFC可以被配置为输出布尔值，该布尔值指示在视频馈送中是否标识了发射无线电设备。在一个示例实施例中，RFC预测的输出可以是决定性的，即，对于发射无线电设备的类型为“0”或“1”。在另一示例实施例中，RFC可以被配置为在视频馈送中的BBOX上输出概率分布，其指示发射无线电设备是BBOX中标识的无线电设备106之一的概率。接下来，RFC的输出可以用于RFC输出模块208，用于陈述RFC预测。此后，无线电设备关联模块210可以被配置为提供发射无线电设备和视频馈送中标识的无线电设备106之间的关联。应当注意，在不脱离本公开的范围的情况下，RFC输出模块208和无线电设备关联模块210可以共同用于提供实际的预测实现。
这种实际预测有助于提供与视频馈送中标识的发射无线电设备和无线电设备106之间的关系相关的信息。此外，实际预测实现可以导致在工业环境中对发射无线电设备106的精确跟踪和定位。因此，这种公开的方法和系统解决了通过学习(即，机器学习)在无线电域和计算机视觉域两者中标识和匹配设备的问题。
图10示出了根据示例实施例的示出用于收集多组训练数据的方法的信令图1000。
首先，在步骤1002，无线电AP 102可以向CV系统104发送第一消息，即RecordingStart通知消息。应该注意，RecordingStart通知消息可以通过专用通信接口被发送。在一个示例实施例中，RecordingStart通知消息可以包括具有记录的开始时间和结束时间的信息的信息元素(IE)。在一个示例实施例中，RecordingStart通知消息可以包括传送视频馈送的标签的格式。在一种情况下，如果CV系统104不是虚拟的，则可以执行无线电设备106的视觉识别。在一个示例实施例中，视频馈送可以被分割成图像，并且图像可以被标记为无线电设备106在图像中的位置。在另一种情况下，如果CV系统104是虚拟相机，则可以在无线电AP 102侧应用视觉识别。
接下来，在步骤1004，无线电AP 102可以从CV系统104接收RecordingStartAcknowledge消息。接着，在步骤1006，无线电AP102可以向无线电设备106发送第二消息，即StartallPilotsFrameTrasmission通知消息。StartallPilotsFrameTrasmission通知可以包括具有需要由无线电设备106发送到无线电AP 102的无线电信号帧的配置的信息元素(IE)。在一个示例实施例中，无线电信号帧可以仅由具有在第二消息中指定的传输参数的导频符号组成，并且其可以适合于无线电设备并发业务传输。此外，第二消息可以包括无线电信号帧应该被发送的频率以及每个实现要被设置的频率。
接下来，在步骤1008，无线电AP 102可以从CV系统104接收标识CV系统104的视场内的无线电设备106的视频馈送。在一个示例实施例中，无线电AP 102可以接收所记录的图像/视频以及关于无线电设备106的视觉识别的标签/信息。在一种情况下，如果CV系统104是虚拟的，则消息可以仅包含视频馈送，并且可以执行识别，并且可以将信息存储在无线电AP 102处。
接下来，在步骤1010，无线电AP 102可以周期性地从发射无线电设备106接收allPilotsFrame。在一个示例实施例中，无线电AP 102可以确定并存储每个接收的无线电信号帧的CIR。应当注意，考虑到资源分配，allPilotsFrame的周期性可以更低，并且可以保持可接受。在一个示例实施例中，如果数据流量较低，则帧的频率可以被确定为优于当无线电设备流量较高时发送的allPilotsFrame的频率。接下来，在步骤1012，无线电AP 102可以向CV系统104发送StopRecording消息。接着，在步骤1014，无线电AP 102可以从CV系统104接收StopRecordingAcknowledge消息。此后，在步骤1016，无线电AP 102可以向无线电设备106发送StopallPilotsFrameTransmission通知，以停止正在进行的过程。
在一个示例实施例中，所公开的方法可以用于发现侵入网络的恶意用户、无线电设备。应当注意，恶意无线电设备可以连接到无线电AP 102。此外，使用所公开的系统和方法，CV系统104可以检测到无线电设备(UE)不是具有有效CIR打印的那些无线电设备。在另一示例实施例中，所公开的方法可以用于从多个无线电设备中标识活跃无线电设备。当活跃无线电设备处于连接状态并且可以通过无线电发射时，可以进行这种标识。在又一示例性实施例中，所公开的方法可以用于跟踪无线电设备，并在将来出现最终阻塞时通知无线电AP 102。在又一示例实施例中，所公开的方法可以用于借助于视频馈送来构建CIR的视觉表示，相当于视觉热图。在一个示例实施例中，所公开的方法、系统和装置可以用作使用CV系统104来增强无线电管理的技术的关键使能器。
对于本领域技术人员来说明显的是，无线电设备106和无线电AP 102的角色可以颠倒，然后无线电设备106可以被训练以与识别的无线电AP 102生成边界框。此后，在不脱离本公开的范围的情况下，无线电AP 102可以测量CIR
图11A和图11B示出了根据示例实施例的示出未经归一化的混淆矩阵和归一化的混淆矩阵之间在真实标签和预测标签方面的比较的图。在第一实验中，可以考虑保持通用软件无线电外围设备(USRP)，即两个USRP静态，并且可以在两个不同的位置进行测量。应当注意，具有BBOX 1的USRP的一半正在发射，具有BBOX2的USRP中的另一半正在发射。在一个示例实施例中，USRPS可以是Ettus B210。如图1100A和1100B所示，混淆矩阵表明，如果系统混淆了两个类，即通常将一个类误标记为另一个类。此外，如图1100A和1100B所示，第一实验中考虑了99.527个(即72.50％)用于训练的实例和37.761个(即27.50％)用于验证的实例。此后，在验证期间，系统具有99.97％的准确度和99.98％的F1分数。应当注意，USRP可以使用1GHz的正交频分复用(OFDM)传输来发送具有二进制相移键控(BPSK)调制的基于导频的帧。
图12A和图12B示出了根据示例实施例的示出未经归一化的混淆矩阵和归一化的混淆矩阵之间在真实标签和预测标签方面的比较的图。在第二实验中，可以考虑保持通用软件无线电外围设备(USRP)，即两个USRP静态，并且可以在四个不同的位置进行测量。如图1200A和1200B所示，第二实验中考虑了381.880个(即75.38％)用于训练的实例和124.747个(即24.62％)用于验证的实例。此后，在验证期间，该系统具有98.88％的准确度和98.88％的F1分数。
图13A和图13B示出了根据示例性实施例的示出未经归一化的混淆矩阵和归一化的混淆矩阵之间在真实标签和预测标签方面的比较的图。在第三实验中，可以考虑保持通用软件无线电外围设备(USRP)，即两个USRP静态，并且可以在九个不同的位置进行测量。如图1300A和1300B所示，第三实验中考虑了1.207.833个(即81.48％)用于训练的实例和274.480个(即18.52％)实例。此后，在验证期间，该系统具有99.80％的准确度和99.86％的F1分数。
图14是示出根据示例实施例的装置1400的一个或多个组件的框图。装置1400可以包括处理器1402和存储器1404。
处理器1402包括可操作以执行存储在存储器中的指令以执行各种功能的适当逻辑、电路和/或接口。处理器1402可以使用机器学习(ML)算法来执行存储在存储器中的算法，用于在视频馈送内标识来自多个无线电设备106的发射无线电设备。处理器1402还可以被配置为解码和执行从CV系统104或多个无线电设备106接收的任何指令。处理器1402可以包括一个或多个通用处理器(例如
Figure BDA0004113382270000281
或
Figure BDA0004113382270000282
(AMD)微处理器)和/或一个或多个专用处理器(例如数字信号处理器或
Figure BDA0004113382270000291
片上系统(SOC)现场可编程门阵列(FPGA)处理器)。处理器1402还可以被配置为执行一个或多个计算机可读程序指令，诸如执行描述中描述的任何功能的程序指令。
此外，处理器1402可以做出决策或确定，生成用于传输的帧、分组或消息，解码接收的无线电信号或视频馈送以进行进一步处理，以及本文描述的其他任务或功能。处理器1402(例如可以是基带处理器)可以生成消息、分组、帧或其他信号以经由无线收发器进行传输。应当注意，处理器1402可以控制通过无线网络的信号或消息的传输，并且可以控制经由无线网络(例如，在被无线收发器下变频之后)的信号或信息等的接收。处理器1402可以是(或可以包括)例如硬件、可编程逻辑、执行软件或固件的可编程处理器和/或这些的任意组合。此外，使用其他术语，例如，处理器1402连同收发机可以被认为是无线发射机/接收机系统。
存储器1404存储一组指令和数据。此外，存储器1404包括可由处理器执行以执行特定操作的一个或多个指令。一些公知的存储器实现包括但不限于固定(硬)驱动器、磁带、软盘、光盘、光盘只读存储器(CD-ROM)和磁光盘、半导体存储器，例如ROM、随机存取存储器(RAM)、可编程只读存储器(PROM)、可擦除PROM(EPROM)、电可擦除PROMs(EEPROM)、闪存、磁卡或光学卡、云计算平台(例如微软Azure和亚马逊Web服务，AWS)或适合于存储电子指令的其他类型的媒体/机器可读介质。
对于本领域技术人员来说明显的是，装置1400的上述部件仅用于说明目的。在一个示例实施例中，在不脱离本公开的范围的情况下，装置1400也可以包括输入设备、输出设备等。
本公开的实施例可以作为计算机程序产品被提供，其可以包括在其上有形地体现指令的计算机可读介质，该指令可以用于对计算机(或其他电子设备)进行编程以执行过程。计算机可读介质可以包括但不限于固定(硬)驱动器、磁带、软盘、光盘、光盘只读存储器(CD-ROM)和磁光盘、半导体存储器，例如ROM、随机存取存储器(RAM)、可编程只读存储器(PROM)、可擦除PROM(EPROM)、电可擦除PROMs(EEPROM)、闪存、磁卡或光卡或适于存储电子指令的其他类型的介质/机器可读介质(例如，计算机编程代码，诸如软件或固件)。此外，本公开的实施例还可以作为一个或多个计算机程序产品被下载，其中程序可以经由通信链路(例如，调制解调器或网络连接)通过载波或其他传播介质中体现的数据信号从远程计算机传输到请求计算机。
应用的详细描述部分应说明方法步骤的顺序不是关键的。这样的陈述将支持这样的论点，即方法声明中的步骤顺序不是关键的或固定的。关于一个实施例描述和/或示出的特征可以以相同的方式或以类似的方式在一个或多个其他实施例中使用和/或与其他实施例的特征组合使用或代替其他实施例。
尽管如上所述已经示出和描述了上述实施例，但是可以在不脱离示例实施例的范围的情况下进行许多改变。例如，本文公开的主题的方面可以在备选操作系统上采用。因此，示例实施例的范围不受实施例的公开的限制。相反，示例实施例应完全参考以下权利要求被确定。

Claims (15)

1.一种用于从视频馈送内的多个无线电设备(106)中标识发射无线电设备的装置，所述装置包括用于如下执行的部件：
从所述多个无线电设备(106)接收标识发射无线电设备的至少一个无线电信号；
从计算机视觉CV系统(104)接收视频馈送，所述视频馈送标识所述CV系统(104)的视场内的无线电设备(106)；
从接收的所述至少一个无线电信号提取第一组特征；
从接收的所述视频馈送提取第二组特征；以及
将所述第一组特征和所述第二组特征提供作为对机器学习ML算法的输入，以获得所述发射无线电设备与在所述视频馈送中标识的所述无线电设备(106)之间的关系。
2.根据权利要求1所述的装置，其中所述至少一个无线电信号包括所述发射无线电设备的无线电测量，特别是信道脉冲响应CIR，所述装置被配置为通过确定所述CIR的相位和幅度并且从所述CIR的所述幅度确定峰位置和峰值来提取所述第一组特征。
3.根据权利要求1或2所述的装置，其中所述装置被配置为通过优选地使用基于掩码区域的卷积神经网络对所述视频馈送执行视觉检测来提取所述第二组特征，以确定针对所述视频馈送中的每个无线电设备(106)的相应边界框BBOX，每个边界框包括标识符BBOX_ID。
4.根据前述权利要求中任一项所述的装置，其中所述装置还被配置为：
周期性地接收无线电信号和所述视频馈送，在接收周期期间所述无线电信号以第一频率被接收并且所述视频馈送以第二频率被接收，特别是所述第一频率高于所述第二频率；
对接收的所述无线电信号进行平均以获得经平均的无线电信号；以及
使用时间戳将从经平均的所述无线电信号提取的所述第一组特征与从所述视频馈送提取的所述第二组特征合并，以获得针对所述ML算法的所述输入。
5.根据前述权利要求中任一项所述的装置，其中所述ML算法使用具有多个分类树的随机森林分类器RFC(206)被实现，其中每个分类树被配置为处理所述第一组特征和所述第二组特征的子集。
6.根据权利要求5所述的装置，其中所述RFC(206)被配置为产生输出，所述输出包括指示所述发射无线电设备是否在所述视频馈送中被标识的布尔值或者标识所述发射无线电设备属于哪个BBOX_ID的映射中的一者。
7.根据权利要求5所述的装置，其中所述RFC被配置为在所述视频馈送中的所述边界框BBOX上输出概率分布，所述概率分布指示所述发射无线电设备是所述BBOX中标识的所述无线电设备(106)之一的概率。
8.一种装置，包括用于如下执行的部件：
获得多组训练数据，其中所述多个训练数据中的每组包括：
针对发射无线电设备的信道脉冲响应CIR和CIR相关数据，其中所述CIR相关数据包括以下至少一项：CIR相位、CIR幅度、CIR幅度峰的值和索引、以及CIR幅度矢量的均值和标准偏差；
多个边界框标识符BBOX_ID，ID＝1，…，N，每个边界框标识符与计算机视觉CV系统(104)的视场中的无线电设备(106)对应；以及
标签，其指示由所述BBOX_ID标识的来自所述多个无线电设备(106)中的哪个无线电设备(106)与所述发射无线电设备对应；以及
通过组合对RFC参数值的穷举搜索来训练可训练算法，特别是随机森林分类器RFC(206)，以从所述多组训练数据获得关于两个对应度量的最佳数目的分类树和最佳最大深度的所述分类树。
9.根据权利要求8所述的装置，其中所述装置被配置为通过以下步骤获得所述多组训练数据：
向所述CV系统(104)发送第一消息，以指令所述CV系统(104)开始记录，所述第一消息包括所述记录的开始时间；
向无线电设备(106)发送第二消息，以请求来自所述无线电设备(106)的无线电信号帧的传输，所述第二消息包含要由所述无线电设备(106)发射的所述无线电信号帧的配置；
从所述CV系统(104)接收视频馈送，所述视频馈送标识所述CV(104)的视场内的无线电设备(106)；以及
从所述发射无线电设备接收至少一个无线电信号帧，并且针对每个接收的无线电信号帧存储所述CIR。
10.一种用于从视频馈送内的多个无线电设备(106)中标识发射无线电设备的方法，所述方法包括：
从所述多个无线电设备(106)接收标识发射无线电设备的至少一个无线电信号；
从计算机视觉CV系统(104)接收视频馈送，所述视频馈送标识所述CV系统(104)的视场内的无线电设备(106)；
从接收的所述至少一个无线电信号提取第一组特征；
从接收的所述视频馈送提取第二组特征；以及
将所述第一组特征和所述第二组特征提供给机器学习ML算法，以获得所述发射无线电设备与在所述视频馈送中标识的所述无线电设备(106)之间的关系。
11.根据权利要求10所述的方法，其中所述至少一个无线电信号包括所述发射无线电设备的无线电测量，特别是信道脉冲响应CIR，所述装置被配置为通过确定所述CIR的相位和幅度，并且从所述CIR的所述幅度确定峰位置和峰值来提取所述第一组特征。
12.根据权利要求10或11所述的方法，还包括：通过优选地使用基于掩码区域的卷积神经网络对所述视频馈送执行视觉检测来提取所述第二组特征，以确定针对所述视频馈送中的每个无线电设备(106)的相应边界框BBOX，每个边界框包括标识符BBOX_ID。
13.一种方法，包括：
获得多组训练数据，其中多个所述训练数据的每组训练数据包括：
针对发射无线电设备的信道脉冲响应CIR和CIR相关数据，其中所述CIR相关数据包括以下至少一项：CIR相位、CIR幅度、CIR幅度峰的值和索引、以及CIR幅度矢量的均值和标准偏差；
多个边界框标识符BBOX_ID，ID＝1，…，N，每个边界框标识符与计算机视觉CV(104)系统的视场中的无线电设备(106)对应；以及
标签，其指示由所述BBOX_ID标识的来自所述多个无线电设备(106)中的哪个无线电设备(106)与所述发射无线电设备对应；以及
通过组合对RFC参数值的穷举搜索来训练可训练算法，特别是随机森林分类器RFC，以从所述多组训练数据中获得关于两个度量的最佳数目的分类树和最佳最大深度的所述分类树。
14.一种系统，包括至少一个无线电接入点AP(102)、多个无线电设备(106)和至少一个计算机视觉CV系统(104)，其中所述至少一个无线电AP(102)被配置为执行权利要求10至13中任一项所述的方法。
15.一种非瞬态计算机可读介质，包括用于使处理器如下执行的指令：
从多个无线电设备(106)接收标识发射无线电设备的至少一个无线电信号帧；
从计算机视觉CV系统(104)接收视频馈送，所述视频馈送标识所述CV系统(104)的视场内的无线电设备(106)；
从接收的所述至少一个无线电信号帧提取第一组特征；
从接收的所述视频馈送提取第二组特征；以及
将所述第一组特征和所述第二组特征提供给机器学习ML算法，以获得所述发射无线电设备与在所述视频馈送中标识的所述无线电设备(106)之间的关系。
CN202180056777.8A 2020-08-05 2021-07-26 用于标识发射无线电设备的装置和方法 Pending CN116057586A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FI20205785A FI20205785A1 (en) 2020-08-05 2020-08-05 DEVICE AND METHOD FOR IDENTIFYING TRANSMITTING RADIO EQUIPMENT
FI20205785 2020-08-05
PCT/FI2021/050539 WO2022029370A1 (en) 2020-08-05 2021-07-26 Apparatus and method for identifying transmitting radio devices

Publications (1)

Publication Number Publication Date
CN116057586A true CN116057586A (zh) 2023-05-02

Family

ID=80117120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180056777.8A Pending CN116057586A (zh) 2020-08-05 2021-07-26 用于标识发射无线电设备的装置和方法

Country Status (5)

Country Link
US (1) US20230324540A1 (zh)
EP (1) EP4193172A4 (zh)
CN (1) CN116057586A (zh)
FI (1) FI20205785A1 (zh)
WO (1) WO2022029370A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230379702A1 (en) * 2022-05-20 2023-11-23 Robert Bosch Gmbh Ultra-wide band device fingerprinting

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016040874A1 (en) * 2014-09-11 2016-03-17 Carnegie Mellon University Associating a user identity with a mobile device identity
US10338191B2 (en) * 2014-10-30 2019-07-02 Bastille Networks, Inc. Sensor mesh and signal transmission architectures for electromagnetic signature analysis

Also Published As

Publication number Publication date
FI20205785A1 (en) 2022-02-06
WO2022029370A1 (en) 2022-02-10
EP4193172A4 (en) 2024-04-24
US20230324540A1 (en) 2023-10-12
EP4193172A1 (en) 2023-06-14

Similar Documents

Publication Publication Date Title
US11943627B2 (en) System, method, and apparatus for providing dynamic, prioritized spectrum management and utilization
US20150045072A1 (en) Method and apparatus for position estimation using trajectory
Kulshrestha et al. Real-time crowd monitoring using seamless indoor-outdoor localization
CN104854472A (zh) 位置定位系统架构:消息传送链路和测距链路
Vhaduri et al. Cooperative discovery of personal places from location traces
EP3397981B1 (en) Self-adaptive device for wi-fi indoor localization
US20190302221A1 (en) Fog-based internet of things (iot) platform for real time locating systems (rtls)
Wu et al. Adaptive lookup of open WiFi using crowdsensing
CN104994577B (zh) 一种整合异质网络的行动定位的系统及其应用方法
US12113829B2 (en) Occupancy detection and people counting using passive wireless interfaces
CN116057586A (zh) 用于标识发射无线电设备的装置和方法
Rizk et al. Vaccinated, what next? an efficient contact and social distance tracing based on heterogeneous telco data
Ferrand et al. Wireless channel charting: Theory, practice, and applications
KR20110023565A (ko) Ｓｖｍ을 이용한 환경 감시 시스템 및 방법
WO2022029415A1 (en) Identifying wireless network devices
Jameel et al. Time slot management in backscatter systems for large-scale IoT networks
US10880016B2 (en) Connecting ultrasound-incapable client devices to collaboration devices
Schauer Wi-Fi tracking threatens users’ privacy in fingerprinting techniques
Tseng et al. A CNN-based transportation type identification for 5G mobile networks using cellular information
Perri et al. BLENDER-Bluetooth Low Energy discovery and fingerprinting in IoT
US11810387B2 (en) Location system and method
US11990152B2 (en) Classification of audio as originating from a human source or a non-human to avoid false wake-word detection
US20230328528A1 (en) Security in communication networks
Pintor Advancements in Wi-Fi-Based Passenger Counting and Crowd Monitoring: Techniques and Applications
Estrada et al. Evaluation of ML-based Positioning Systems with RSSI Measured on the User's Device or APs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination